Combien coûte la location horaire d’un GPU Nvidia B200 à la fin de cette année ?

Le marché de prédiction a décomposé cette question en une série de contrats “oui ou non”. Les traders parient sur le fait que le loyer du B200 dépassera un certain prix, puis assemblent des contrats à différents prix et à différentes dates. Il en ressort une courbe de loyers des GPU formée par les paris du marché.

Polymarket avait déjà lancé des contrats de loyers de GPU, mais les volumes d’échanges restaient limités. Cette fois-ci, le cofondateur de Kalshi, Tarek Mansour, a annoncé que la plateforme avait extrait une courbe à terme à partir des prix observés sur les marchés de prédiction pour le B200, le H200 et le A100.

Les marchés de prédiction ne se contentent plus de répondre à des résultats électoraux, à des calendriers de baisse des taux et à des événements d’entreprise : ils commencent à bâtir des marchés financiers pour une industrie qui n’a jamais eu de marché de négociation public.

Cette courbe reste encore loin de la courbe à terme des marchés de matières premières traditionnels. Et les marchés de prédiction ne peuvent pas non plus permettre aux acheteurs de recevoir, à l’échéance, une série de GPU. Mais ils capturent ce dont le marché de la location de GPU a le plus besoin : une référence de prix visible par tous.

Au cours des dernières années, des capitaux n’ont cessé d’affluer vers les puces, les centres de données et l’électricité ; la puissance de calcul est devenue l’un des plus gros postes de coût de l’industrie de l’IA, alors que les méthodes d’achat restent souvent les mêmes : précommandes téléphoniques, arrangements entre “connaissances” et contrats hors ligne.

La financiarisation de la puissance de calcul est en train de se déployer à grande échelle.

D’abord les contrats, ensuite le marché

Avant l’apparition des grands modèles, les entreprises obtenaient de la puissance de calcul principalement de deux façons : soit acheter elles-mêmes des serveurs, soit payer un abonnement mensuel relativement stable aux fournisseurs de cloud. L’IA a changé cette logique d’approvisionnement. L’entraînement et l’inférence “absorbent” une grande quantité de GPU ; les prix commencent à diverger selon les puces, les régions et les durées de contrat. Et les devis des fournisseurs de cloud fluctuent rapidement au gré de l’offre et de la demande.

Aujourd’hui, le marché de la puissance de calcul ne manque pas de transactions à terme.

De grands laboratoires verrouillent à l’avance des capacités futures. neocloud préachète des GPU auprès des fournisseurs de cloud et des courtiers. Entre géants du cloud, on réserve aussi des ressources mutuellement. Les contrats peuvent être à la location à l’heure (court terme) ou couvrir plusieurs années (long terme). Leur rôle ressemble à celui d’accords de long terme de type “take-or-pay” dans le pétrole, mais le prix se cache dans les négociations privées.

Un grand fournisseur de services d’inférence avait déjà décrit l’achat de capacité de calcul comme le fait de “trouver un intermédiaire qui connaît l’offre”. Vous lui dites quel type de puce vous faut, combien de cartes, et dans quelle région les utiliser. Il cherche ensuite, via son réseau de relations, des stocks disponibles pour vous. Les courtiers gagnent grâce aux asymétries d’information ; les grands détenteurs gagnent grâce à la distribution liée aux relations. Le véritable prix de transaction apparaît rarement sur des écrans publics.

Ce marché peut permettre la livraison, mais il ne crée pas une anticipation continue. Les laboratoires d’IA ne savent pas le coût d’inférence dans six mois. Les centres de données ne peuvent pas verrouiller à l’avance les prix de location. Les prêteurs non plus n’ont pas de données actualisées en temps réel, ce qui rend l’évaluation des GPU donnés en garantie incertaine : à quelle vitesse leur valeur diminue-t-elle ?

L’ampleur des capitaux rend impossible le maintien d’une tarification inchangée.

Les chiffres donnés par Tarek sont les suivants : les géants du cloud investiront cette année plus de 7 000 milliards de dollars dans la puissance de calcul, et la taille du marché pourrait atteindre de 70 000 à 100 000 milliards de dollars d’ici 2030. Des institutions plus prudentes estiment aussi quelque chose de très vaste. Morgan Stanley prévoit qu’avant 2028, les dépenses en capital des centres de données mondiaux s’élèveront à environ 2,9 billions de dollars, dont environ 2,5 billions de dollars seront consacrés à l’IA. McKinsey estime que les dépenses en capital des centres de données avant 2030 atteindront 6,7 billions de dollars. Goldman Sachs évalue, pour 2026 à 2031, les investissements d’infrastructure IA à 7,6 billions de dollars.

Ces chiffres utilisent des années différentes et des définitions statistiques différentes : certains incluent les centres de données, et d’autres comptent à la fois la puissance de calcul et l’électricité. Le point commun est que, dans les estimations de chaque acteur, le calcul et le matériel représentent entre 55% et 67%, soit la plus grande part de l’investissement dans cette vague d’infrastructures.

Les puces sont aussi un actif dont le prix varie fortement. Les estimations du marché sur la durée de vie des GPU vont de 3 à 7 ans. Les nouvelles générations renouvellent les performances chaque année. La rareté de l’offre permet toutefois aux anciennes puces de conserver une valeur locative. Les centres de données doivent immobiliser d’énormes sommes sur une série d’équipements dont le rythme d’amortissement fait l’objet de peu de consensus.

Plus le fardeau du capital est lourd, plus les prix à terme deviennent importants.

Explorer le marché de la location de GPU

La première étape du marché de la location de GPU, c’est la “mise en relation privée” déjà en place depuis des années.

Les acheteurs réservent à l’avance des capacités, les vendeurs verrouillent des revenus futurs, et les courtiers assument le travail de recherche d’offre et de mise en relation. Les besoins réels et les engagements à terme existent déjà, mais il n’y a pas d’accord standard, ni de cotations publiques.

Ces acheteurs et vendeurs constituent aussi la base du marché financier de la puissance de calcul.

Les géants du cloud, les grands centres de données et les détenteurs de GPU ont des stocks ; ils craignent que les loyers baissent à l’avenir. À l’inverse, les laboratoires d’IA, les plateformes d’inférence, les sociétés d’application et neocloud, qui a déjà pris des engagements de capacité vers l’aval, ont besoin d’achats continus ; ils craignent que les prix montent à l’avenir. L’un veut protéger les revenus des équipements, l’autre veut contrôler le coût de la puissance de calcul : c’est ainsi que le marché a trouvé sa première demande de transactions.

La deuxième étape consiste à construire un indice de prix standardisé. Ornn avec son Compute Price Index extrait les prix des transactions réelles de location de GPU, couvrant plusieurs puces dominantes. Silicon Data publie chaque jour un indice de location “à la demande” pour H100, A100 et B200, puis envoie les données vers le terminal Bloomberg. Compute Desk construit également des produits similaires.

Les indices définis par ces acteurs ne sont pas seulement une suite de chiffres. Quels types de puces, quelles régions, quelles configurations réseau, quel type de contrats seront inclus ; comment traiter les transactions anormales ; comment faire sortir un indice ancien lorsque les puces changent de génération : tout cela modifie ce que le marché appelle “le prix du GPU”. Les bourses fournissent la plateforme de négociation, mais ce sont les fournisseurs d’indices qui définissent ce que les gens échangent réellement.

Ornn a récemment obtenu un investissement de 33 millions de dollars de la part de a16z. Qui parviendra à rassembler des données de transactions fragmentées en un indice accepté par le marché, et à en faire un point d’entrée des prix sur le marché de la puissance de calcul.

La troisième étape consiste à intégrer l’indice dans des contrats négociables. Le CME a choisi Silicon Data comme fournisseur de données et prévoit de lancer des contrats à terme sur la puissance de calcul, dont le règlement se ferait sur une base de référence quotidienne de location de GPU. La société mère de la Bourse de New York, ICE, a choisi Ornn et prépare une autre série de contrats à terme sur des GPU. Les deux bourses traditionnelles positionnent leurs produits comme des outils de gestion des risques destinés aux laboratoires d’IA, aux fournisseurs de cloud, aux centres de données et aux institutions financières, mais les produits en sont encore à l’étape d’attente d’un examen réglementaire.

Les marchés de prédiction ont emprunté une autre voie. Ils obligent les traders à répondre en continu à la même question : “un certain type de puce dépassera-t-il, à une date donnée, un prix de location donné ?”. En calculant l’écart entre les prix à des seuils adjacents, on peut approximer le jugement du marché sur cet intervalle de prix. En répétant ensuite ce calcul pour différentes dates, on obtient une structure par échéance.

Sur les marchés de matières premières traditionnels, on définit généralement d’abord des contrats livrables, puis des contrats à terme permettent de construire une courbe. Les marchés de prédiction forment d’abord une anticipation publique via des contrats événementiels, puis envisagent d’utiliser cette anticipation pour servir aux transactions de gré à gré, aux contrats à terme et aux contrats perpétuels.

Les contrats à terme traditionnels sur la puissance de calcul attendent encore l’approbation réglementaire, tandis que les marchés de prédiction ont déjà fourni la structure par échéance.

À quoi sert une courbe

Le marché investit des efforts considérables pour créer des indices, des contrats à terme et des courbes à terme. Mais quel problème concret un simple acteur de l’IA peut-il résoudre ?

Imaginons une plateforme d’inférence qui s’est engagée à fournir un service à ses clients dans six mois. Elle sait qu’elle aura besoin d’un lot de GPU à cette date, mais elle ne sait pas jusqu’à combien le loyer montera. Si le loyer augmente soudainement, les prix déjà négociés avec les clients ne suivront pas. Elle doit alors absorber seule l’augmentation de coûts. En achetant un contrat dont la valeur augmente avec la hausse du loyer des GPU, la facture cloud devient plus chère, mais les gains du contrat peuvent compenser une partie de l’écart. Le centre de données fait face à un problème inverse : il a déjà acheté les équipements ; si les loyers baissent à l’avenir, ses revenus chutent. En vendant une position à terme exposée (short) sur la location, il peut verrouiller à l’avance une partie des revenus des équipements.

Ce contrat n’a pas besoin d’être identique, carte par carte, à l’équipement réellement acheté par l’entreprise. L’entreprise peut utiliser un H200 dans la région de New York, tandis que le marché échange un indice H200 couvrant plusieurs fournisseurs. Tant que les deux prix évoluent globalement de la même façon, le contrat peut fonctionner. Des analystes estiment qu’avec un coefficient de corrélation d’environ 0,7 entre les deux prix, une couverture convenablement dimensionnée peut éliminer près de la moitié de la volatilité. Les compagnies aériennes ne peuvent pas acheter un contrat parfaitement identique à chaque dépense de carburant, mais elles utilisent des contrats à terme sur le pétrole brut pour contrôler leurs coûts : c’est le même principe.

Les prêteurs ont eux aussi besoin de cette courbe. Lorsqu’une banque évalue un prêt garanti par des GPU achetés par un centre de données, elle doit estimer combien de loyers ces puces pourront encore générer dans deux ans. Auparavant, elle dépendait seulement des devis des fabricants, de quelques transactions éparses et de ses propres hypothèses. Avec une courbe publique, les prêteurs peuvent ajuster plus facilement l’évaluation des garanties en fonction de l’évolution du marché, et les centres de données peuvent aussi démontrer plus aisément leurs revenus futurs.

Le prix peut même influencer le choix des puces par les entreprises. Si les transactions de location de GPU Nvidia sont plus nombreuses, si l’indice est plus fiable et si les outils de couverture sont plus actifs, les banques seront plus enclines à accepter Nvidia comme garantie, et les détenteurs seront plus facilement en mesure de louer ou de vendre quand ils en auront besoin. Les flux de transactions se concentrant autour de Nvidia deviennent alors un avantage difficile à reproduire par des concurrents.

Ainsi, une courbe de prix ne sert pas uniquement les traders. Elle permet aux utilisateurs de connaître plus tôt les coûts, aux détenteurs de fixer plus tôt leurs revenus, et aux prêteurs d’oser valoriser les équipements et les centres de données.

Goulots d’étranglement & défis

Le premier problème, c’est l’indice.

Ornn insiste sur les transactions réelles ; Silicon Data se concentre sur les prix de location “à la demande” ; les autres solutions standardisent aussi les coûts énergétiques. Chaque méthode conserve une partie de l’information tout en en abandonnant une autre. Aucun indice ne peut couvrir simultanément la puce, la région, la durée, le réseau et le contrepartiste.

Dans le même temps, les puces changent vite de génération.

Les unités de mesure du pétrole peuvent rester stables, mais le marché des GPU est passé de H100 à H200, puis B200, GB200 et Rubin. AMD, Google TPU, Amazon Trainium et des puces dédiées continuent de détourner une partie de la demande de calcul. Quand les indices cessent de s’appliquer, comment les puces nouvelles et anciennes s’articulent : tout cela modifie en continu l’actif sous-jacent réel des contrats.

Le deuxième problème, c’est la livraison.

Sur les contrats avec règlement en espèces, à l’échéance il ne s’agit que de l’argent, pas de livraison de GPU. Les entreprises qui cherchent à contrôler les coûts peuvent utiliser les gains du contrat pour compenser la hausse des loyers, mais neocloud, qui a déjà promis une capacité à ses clients, devra quand même aller acheter des cartes sur le marché.

Un autre risque vient du volume de transactions.

Le volume réel de transactions enregistré publiquement chaque jour sur le marché de la location de GPU est parfois faible, et l’offre est concentrée entre les mains d’un petit nombre de vendeurs. Dans ce cas, chaque transaction peut significativement tirer l’indice ; celui qui détient l’offre peut plus facilement influencer le prix final de règlement.

C’est aussi un problème des courbes dessinées à l’aide de marchés de prédiction.

Les courbes à terme traditionnelles s’appuient sur des mécanismes de livraison ou d’échange au comptant pour ramener les prix des contrats à terme à la réalité de l’offre et de la demande. Les contrats binaires des marchés de prédiction n’offrent pas ce canal : la courbe exprime les anticipations des participants, qui ne sont pas encore des prix de capacité livrables ou arbitrables.

Le troisième problème, c’est la liquidité.

Les vendeurs préfèrent les contrats longs, parce que les centres de données veulent verrouiller les revenus à l’avance ; les acheteurs préfèrent les contrats courts, parce que les sociétés d’IA ont besoin de garder la liberté de changer de puces et de fournisseurs. Les besoins des deux parties sur la durée sont naturellement décalés. Les courtiers et les grands détenteurs gagnent dans un marché opaque ; faute de motivation, ils ne mettent pas toutes les transactions sur un marché public.

Malgré de nombreux obstacles, la demande de prix publics ne recule pas sur le marché de la puissance de calcul. Peut-être que d’ici peu, nous verrons des reportages sur “la multiplication par cinq du long” de la puissance de calcul réalisée on-chain par un “argent intelligent”.

Cliquez pour découvrir les recrutements de律动 BlockBeats

Bienvenue pour rejoindre la communauté officielle de律动 BlockBeats :

Telegram groupe d’abonnement : https://t.me/theblockbeats

Telegram groupe de discussion : https://t.me/BlockBeats_App

Twitter compte officiel : https://twitter.com/BlockBeatsAsia